آموزش دستیابی به داده های کم تاخیر با محاسبات لبه

Achieving Low-Latency Data with Edge Computing

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
محاسبات لبه داده‌ها را در منبع فیزیکی واقعی یا نزدیک آن پردازش می‌کند، که به شما امکان می‌دهد داده‌ها را سریع‌تر از همیشه در دسترس قرار دهید - بدون تجربیات ضعیف کاربر، تنگناها یا تخریب سیستم. در این دوره آموزشی، مربی گریگوری گرین شما را در مورد چگونگی دستیابی به تأخیر کم با ایجاد یک معماری مقیاس‌بندی برای یکپارچه‌سازی و مدیریت داده‌های محاسباتی لبه راهنمایی می‌کند.

بهترین شیوه‌ها برای پیام‌رسانی قابل اعتماد و الگوهای توان عملیاتی و همچنین تأخیر کم را با خطوط لوله داده انعطاف پذیر و موارد استفاده مبتنی بر ابر چند سایتی. برخی از مهم‌ترین عواملی را که بر تأخیر محاسبات لبه تأثیر می‌گذارند، بررسی عمیق‌تر آنتی‌الگوها و مزایا و معایب فناوری‌های مدیریت پایگاه داده، با مثال‌هایی از RabbitMQ، Apache Geode، MQTT و Spring کاوش کنید. در طول مسیر، گرگوری به شما نکات و اشاره‌هایی را با نمایش‌های عملی درباره نحوه طراحی و پیاده‌سازی موفقیت‌آمیز معماری محاسبات لبه برای دسترسی به داده‌های با تأخیر کم در زمان واقعی به شما می‌دهد.

سرفصل ها و درس ها

مقدمه Introduction

  • مقدمه (در حال انجام) Introduction (In progress)

  • پیش نیازها Prerequisites

  • فایل های تمرینی Exercise files

1. مروری بر تأخیر محاسبات لبه 1. Edge Computing Latency Overview

  • محاسبات لبه چیست؟ What is edge computing?

  • مروری بر تاخیر داده ها Overview of data latency

  • چرا داده های کم تاخیر با محاسبات لبه مهم است؟ Why is low-latency data with edge computing important?

  • امتحان فصل Chapter Quiz

2. Edge Computing Architecture Low-Latency 2. Edge Computing Low-Latency Architecture

  • معماری مرجع Reference architecture

  • سیستم های پیام رسانی Messaging systems

  • فشار در مقابل کشش Push vs. pull

  • دسترسی به حافظه In-memory access

  • مقیاس پذیری Scalability

  • امتحان فصل Chapter Quiz

3. اجرا 3. Implementation

  • معماری پیاده سازی Implementation architecture

  • MQTT MQTT

  • RabbitMQ RabbitMQ

  • آپاچی ژئود Apache Geode

  • بهار Spring

  • امتحان فصل Chapter Quiz

4. تظاهرات 4. Demonstrations

  • نمای کلی اجرای نمونه آزمایشی Demo example implementation overview

  • تولید در لبه با استفاده از RabbitMQ Producing at the edge using RabbitMQ

  • مصرف داده های لبه با استفاده از RabbitMQ Consuming edge data using RabbitMQ

  • دسترسی با تاخیر کم با استفاده از Apache Geode Low-latency access using Apache Geode

  • امتحان فصل Chapter Quiz

نتیجه Conclusion

  • بسته شدن Wrap up

نمایش نظرات

آموزش دستیابی به داده های کم تاخیر با محاسبات لبه
جزییات دوره
1h 13m
25
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
-
- از 5
ندارد
دارد
دارد
Gregory Green
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Gregory Green Gregory Green

مهندس راه حل مشاور در VMware

گریگوری گرین یک مهندس راه حل مشاوره در VMware است.

گریگوری به عنوان یک معمار ارشد نرم افزار، توسعه دهنده، مهندس و مشاور برای شرکت ها و صنایع مختلف از امور مالی و مخابرات گرفته تا داروسازی. او یک متخصص شناخته شده در راه حل های خدمات داده مبتنی بر جاوا و NET C# است، او تخصص گسترده ای در چارچوب های مدیریت داده، تنظیم عملکرد برنامه، یکپارچه سازی سازمانی، معماری برنامه، و الگوهای طراحی توسعه دارد. گرگوری دارای کارشناسی ارشد علوم کامپیوتر از موسسه فناوری نیوجرسی و لیسانس علوم کاربردی در علوم کامپیوتر از موسسه فناوری استیونز است.